L’intelligenza artificiale potrebbe cambiare l’approccio terapeutico in forme di leucemia pediatrica di difficile trattamento, come la leucemia linfoblastica acuta a cellule T (T-ALL).
È quanto promette un software di intelligenza artificiale (AI) sviluppato da un team di ricerca internazionale, con partecipazione anche italiana, tra cui dell’IRCCS Ospedale Bambino Gesù di Roma, della Fondazione IRCCS San Gerardo dei Tintori di Monza, della Scuola di Medicina e Chirurgia dell’Università Milano-Bicocca e con l’importante contributo del Centro di Ricerca Tettamanti (in cui è stata condotta parte dell’attività clinica, nell’ambito della convenzione con Fondazione IRCCS San Gerardo dei Tintori). Il progetto ha anche ricevuto il sostegno del Bavarian Cancer Research Center, della Deutsche Forschungsgemeinschaft, del Mildred Scheel Early Career Center di Würzburg in Germania e della Fondazione Maria Letizia Verga.
Le prime evidenze confermano la capacità altamente predittiva di questo strumento di machine-learning nel discriminare le diverse varianti genetiche della T-ALL che possono rispondere in modo diverso alle terapie e stimare per ogni piccolo paziente il rischio di andare incontro a complicanze o recidiva. I risultati sono stati recentemente pubblicati su Genome Medicine (“clinTALL: machine learning-driven multimodal subtype classification and treatment outcome prediction in pediatric T-ALL“).
La patologia
La leucemia T-ALL è una neoplasia ematologica ad alta criticità, almeno per alcuni aspetti. È aggressiva, ha prognosi infausta e l’aggravante, a differenza della leucemia linfoblastica acuta a cellule B (B-ALL), di non disporre ad oggi di strategie efficaci di stratificazione del rischio.
Da qui l’interesse della ricerca di identificare delle possibili soluzioni, portando allo sviluppo del progetto clinTALL: uno studio che ha integrato dati di genomica e trascrittomica per arrivare a definire 17 sottotipi molecolari distinti con significato prognostico. Si tratta, in sostanza, di una pipeline multi-task basata sul deep learning per la classificazione dei sottotipi di T-ALL pediatrica e la stima dell’esito del trattamento.
L’esigenza nasce dal fatto che la traslazione clinica di queste conoscenze rimane ancora molto complessa, a causa della difficoltà di interpretare dati multi-omici ad alta dimensionalità, che questo studio intende provare a risolvere tramite un modello di integrazione di dati di input multimodali. Quest’ultimo sfrutta un’architettura di rete neurale per generare un embedding latente condiviso per la previsione multi-task appresa congiuntamente. Il modello, basato sul rischio competitivo, ha dunque l’obiettivo di voler prevedere gli esiti specifici degli eventi.
L’“educazione” del modello
clinTALL è stato addestrato su un dataset multimodale disponibile pubblicamente, comprendente caratteristiche cliniche, genomiche e trascrittomiche, fornendo così allo strumento tutti gli elementi per riconoscere il diverso sottotipo della malattia e calcolare il rischio di eventi specifici, come recidiva, mancata risposta alla terapia iniziale e comparsa di un secondo tumore.
Il progetto utilizza un ampio campione per l’addestramento: dati di 1.309 bambini con T-ALL, dimostrando una potenzialità altamente performante, arrivando a identificare il sottotipo corretto in più del 90% dei casi.
Nello specifico, è stato osservato che il modello basato esclusivamente sulla trascrittomica ha dato risultati superiori rispetto ai modelli monomodali, con un’accuratezza del 92,2% per la predizione del sottotipo e un indice di concordanza (C-index) del 65,9% per la sopravvivenza libera da eventi (EFS) in un contesto di convalida incrociata. Mentre l’integrazione di tutte le modalità di dati ha mantenuto una elevata accuratezza nella classificazione del sottotipo, pari a quasi il 92%, migliorando anche l’indice di concordanza complessivo per la stima dell’EFS al 67,5%.
Questi risultati preliminari fanno supporre che questo modello di rischio competitivo possa permettere di fare predizioni accurate del fallimento dell’induzione (C-index = 96,0%) e di una seconda neoplasia maligna (C-index = 62,1%) con elevate probabilità.
Forti di queste prime evidenze i ricercatori hanno quindi validato le predizioni del sottotipo molecolare su due coorti indipendenti, di cui una comprendeva 120 pazienti italiani, analizzati dal Centro di ricerca Tettamanti attraverso i dati di espressione genica raccolti dal 2022 nell’ambito dello studio Aieop-Bfm All 2017. Il software ha dimostrato un’accuratezza dell’81,8%.
Le potenzialità
clinTALL offre diversi vantaggi, ad esempio: può essere performante anche quando non è disponibile un profilo genomico completo del paziente, come accade nella pratica clinica quotidiana; è pensato per essere applicato non solo in un contesto di ricerca; l’accesso gratuito non richiede competenze informatiche avanzate per essere utilizzato, ed è quindi impiegabile anche fuori dai grandi centri di ricerca. clinTALL si profila pertanto come uno strumento che offre una possibile soluzione per una stratificazione del rischio più precisa, verso una medicina di precisione per la leucemia linfoblastica acuta a cellule T pediatrica.
In conclusione, clinTall rappresenta al momento uno strumento di supporto alla classificazione e alla stratificazione prognostica. Resta inteso che la piattaforma al momento non è ancora stata integrata nei protocolli terapeutici né potrà sostituire la valutazione clinica e molecolare effettuata dai centri specialistici.
Fonte
- Stoiber L, Antić Z, Rebellato S et al. clinTALL: machine learning-driven multimodal subtype classification and treatment outcome prediction in pediatric T-ALL. Genome medicine, 2026, 18(1):108.
